論文の概要: Catalyst: Out-of-Distribution Detection via Elastic Scaling

• arxiv url: http://arxiv.org/abs/2602.02409v1
• Date: Mon, 02 Feb 2026 18:08:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.347542
• Title: Catalyst: Out-of-Distribution Detection via Elastic Scaling
• Title（参考訳）: Catalyst: エラスティックスケーリングによるアウト・オブ・ディストリビューション検出
• Authors: Abid Hassan, Tuan Ngo, Saad Shafiq, Nenad Medvidovic,
• Abstract要約: ディープニューラルネットワークの安全なデプロイには、アウト・オブ・ディストリビューション(OOD)検出が重要である。 最先端のポストホック法は、大域平均プーリング(GAP)によって得られる出力ロジットまたは最大特徴ベクトルからOODスコアを導出するのが一般的である。 我々はこれらの未探索信号を利用するポストホックフレームワークであるCatalystを紹介する。
• 参考スコア（独自算出の注目度）: 7.883652498475041
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection is critical for the safe deployment of deep neural networks. State-of-the-art post-hoc methods typically derive OOD scores from the output logits or penultimate feature vector obtained via global average pooling (GAP). We contend that this exclusive reliance on the logit or feature vector discards a rich, complementary signal: the raw channel-wise statistics of the pre-pooling feature map lost in GAP. In this paper, we introduce Catalyst, a post-hoc framework that exploits these under-explored signals. Catalyst computes an input-dependent scaling factor ($γ$) on-the-fly from these raw statistics (e.g., mean, standard deviation, and maximum activation). This $γ$ is then fused with the existing baseline score, multiplicatively modulating it -- an ``elastic scaling'' -- to push the ID and OOD distributions further apart. We demonstrate Catalyst is a generalizable framework: it seamlessly integrates with logit-based methods (e.g., Energy, ReAct, SCALE) and also provides a significant boost to distance-based detectors like KNN. As a result, Catalyst achieves substantial and consistent performance gains, reducing the average False Positive Rate by 32.87 on CIFAR-10 (ResNet-18), 27.94% on CIFAR-100 (ResNet-18), and 22.25% on ImageNet (ResNet-50). Our results highlight the untapped potential of pre-pooling statistics and demonstrate that Catalyst is complementary to existing OOD detection approaches.
• Abstract（参考訳）: ディープニューラルネットワークの安全なデプロイには、アウト・オブ・ディストリビューション(OOD)検出が重要である。 最先端のポストホック法は、大域平均プーリング(GAP)によって得られる出力ロジットまたは最大特徴ベクトルからOODスコアを導出するのが一般的である。 我々は、このロジットや特徴ベクトルへの排他的依存は、リッチで相補的な信号を捨てる:GAPで失われるプリプール特徴写像の生のチャネルワイズ統計であると主張している。 本稿では,これらの未探索信号を利用するポストホックフレームワークであるCatalystを紹介する。 触媒はこれらの生統計(平均偏差、標準偏差、最大活性化)から入力依存スケーリング係数(γ$)をオンザフライで計算する。 この$γ$は、既存のベースラインスコアと融合し、 '`elastic scaling'' を乗算して、IDと OOD の分布をさらに分離する。 我々はCatalystが一般化可能なフレームワークであることを実証し、ロジットベースの手法(例えば、Energy、ReAct、SCALE)とシームレスに統合し、またKNNのような距離ベースの検出器を著しく強化する。 その結果、CatalystはCIFAR-10(ResNet-18)では平均偽陽性率32.87、CIFAR-100(ResNet-18)では27.94%、ImageNet(ResNet-50)では22.25%の大幅なパフォーマンス向上を達成した。 以上の結果から,触媒が既存のOOD検出手法と相補的であることを示す。

関連論文リスト

• DAVIS: OOD Detection via Dominant Activations and Variance for Increased Separation [7.883652498475041]
  DAVISは,重要な統計情報を組み込むことで特徴を豊かにする,シンプルで広く適用可能なポストホック手法である。 偽陽性率(FPR95)は48.26%をResNet-18で改善し、CIFAR-100で38.13%をResNet-34で、ImageNet-1kで26.83%をMobileNet-v2で改善した。
  論文  参考訳（メタデータ） (2026-01-30T08:23:14Z)
• AdaSCALE: Adaptive Scaling for OOD Detection [1.6921396880325779]
  オフ・オブ・ディストリビューション(OOD)検出法は、アクティベーション・シェーピングを利用して、イン・ディストリビューション(ID)とOOD入力の分離を改善する。 サンプルのOOD推定値に基づいてパーセンタイル閾値を動的に調整する適応スケーリング手法である textbfAdaSCALE を提案する。 我々の手法は最先端のOOD検出性能を実現し、最新のライバルであるOpsFSを14.94%上回り、ImageNet-1kベンチマークでは平均FPR@95で21.67%上回っている。
  論文  参考訳（メタデータ） (2025-03-11T04:10:06Z)
• End-to-End Convolutional Activation Anomaly Analysis for Anomaly Detection [41.94295877935867]
  エンドツーエンドの畳み込みアクティベーション異常解析(E2E-CA$3$) エンドツーエンドの畳み込み動作異常解析(E2E-CA$3$)を提案する。 これは、Sperl、Schulze、B"ottingerによって提案されたA$3$の異常検出アプローチの重要な拡張である。
  論文  参考訳（メタデータ） (2024-11-21T10:22:50Z)
• HAct: Out-of-Distribution Detection with Neural Net Activation Histograms [7.795929277007233]
  本稿では,OOD検出のための新しい記述子HActを提案する。すなわち,入力データの影響下でのニューラルネットワーク層の出力値の確率分布(ヒストグラムで近似)について述べる。 複数の画像分類ベンチマークにおいて,HActはOOD検出における最先端技術よりもはるかに精度が高いことを示す。
  論文  参考訳（メタデータ） (2023-09-09T16:22:18Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)
• Network Moments: Extensions and Sparse-Smooth Attacks [59.24080620535988]
  ガウス入力を受ける小片方向線形(PL)ネットワーク(Affine,ReLU,Affine)の第1モーメントと第2モーメントの正確な解析式を導出する。 本研究では,新しい分散式を効率的に近似し,より厳密な分散推定を行うことを示す。
  論文  参考訳（メタデータ） (2020-06-21T11:36:41Z)
• Revisiting Initialization of Neural Networks [72.24615341588846]
  ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。 Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
  論文  参考訳（メタデータ） (2020-04-20T18:12:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。